Notice bibliographique
Résumé
This book chapter discusses the use of literary material as a means of studying criminal law. The chapter provides an overview on various methods of combining legal and literary materials (law in literature, literature in law, law as literature, legal aesthetics) and offers two case studies (Susan Glaspell's A Jury of Her Peers and Robert Louis Stevenson's The Strange Case of Dr. Jekyll and Mr. Hyde) to show how literature can open up questions both about substantive criminal law doctrines and also about the grounds on which those doctrines are applied. Along the way, the discussion shows how various scholars of criminal law, such as Nicola Lacey and Anne Coughlin, have raised questions that have also provoked the interest of literary scholars such as Dorrit Cohn and Blakey Vermeule.The chapter also serves as a bibliography for scholars seeking further resources that examine criminal law through the lens of literature. These resources include bibliographies of primary texts (such as crime-based fiction, dying confessions circulated at executions, and movies), secondary texts (discussing law and criminal behavior in relation to fiction, drama, and poetry), and web-based resources (such as the Old Bailey Sessions Papers Online). In that spirit, the chapter also discusses some research that is often overlooked in discussions of criminal law and literature – such as Todd Herzog’s research on Weimar-era true-crime narratives that were created from actual case files; Jonathan Eburne’s research on crime in the work of the French surrealists; Lorna Hutson’s research on civic plots of detection in renaissance drama and their relation to the development of evidence law; and Lisa Rodensky’s work on narrative modes in Victorian fiction and their relation to the treatment of mens rea in contemporaneous legal thought.The chapter closes with some brief reflections on the potential for current work in cognitive literary studies to change the way we think about literature's relation to law, and, in particular, the way we impose narrative templates on the events we experience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,019 |
| Communication savante | 0,017 | 0,011 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».